Bankowe modele to nie czarne skrzynki. Na ocenie ryzyka opieramy kondycję naszej gospodarki
Ocena ryzyka w banku to nie magia czy przepowiadanie przyszłości z fusów. To podejmowanie trafnych decyzji o udzielaniu kredytu i bezpiecznym inwestowaniu pieniędzy na podstawie modeli. Bankom i innym instytucjom finansowym potrzebni są sprawdzeni partnerzy technologiczni. ING Tech Poland pomoże nie tylko w budowie modelu, ale i automatyzacji całego procesu.
Ryzyko zwykle wydaje się czymś nieuchwytnym, czymś, co trudno przewidzieć. Robimy to jednak od dawna. Sprawdzamy prawdopodobieństwo opadów deszczu, kiedy wychodzimy pobiegać, czytamy o ryzyku ciężkiego przebiegu koronawirusa czy ryzyku bankructwa „France Football”, które miałoby tłumaczyć odwołanie gali Złotej Piłki. Często mamy jednak trudności z jego oceną.
Najbardziej jaskrawym przykładem jest strach przed rekinami, napędzany takimi hitami kina, jak seria „Szczęki”. Jednak rekiny zabijają na całym świecie jedynie kilka osób każdego roku. Mamy 75-krotnie większą szansę na trafienie piorunem niż na bycie zaatakowanym przez rekina. Prawdopodobieństwo śmierci w wypadku rowerowym jest zaś aż 1000-krotnie wyższe, a przecież nie żegnamy się z rodziną przed wyjściem na dwór.
Ludzie wpadają w „Pułapki myślenia”
Książką o tym tytule Daniel Kahneman, psycholog i laureat Nagrody Nobla w dziedzinie ekonomii, otworzył oczy szerokiej publiki na błędy poznawcze i uproszczenia, jakie stosujemy każdego dnia. Ekonomia behawioralna już od dawna wie, że przejawiamy niechęć do ponoszenia strat i nadmierną pewność siebie w podejmowaniu decyzji. Jesteśmy narażeni na paradoks hazardzisty, kiedy myślimy, że rzuty monetą z przeszłości pomogą nam w ocenie prawdopodobieństwa wyniku zdarzenia losowego. Stosujemy mnóstwo heurystyk, pokazujących, że jesteśmy na bakier z logiką.
W pewnych sferach naszego życia takie pułapki mogą być szczególnie dotkliwe, np. kiedy inwestujemy oszczędności. To, co uchodzi na poziomie jednostki, jest jednak niedopuszczalne na poziomie instytucji. Może bowiem prowadzić do katastrofy. Dokładnie tym było bankructwo banku Lehman Brothers w 2008 roku. Niewłaściwe zarządzanie ryzykiem kredytów subprime sprawiło, że bankowi zabrakło pieniędzy na pokrycie długów. Po ogłoszeniu upadłości Lehman Brothers na giełdach papierów wartościowych zapanowała panika.
Dobra ocena ryzyka to podstawa przetrwania i działalności banku
Łukasz Światowski, Area Lead w ING Tech Poland definiuje bankowość jako przyjmowanie depozytów detalicznych i zamienianie ich na kredyty korporacyjne oraz hipoteczne. W tym procesie bank bierze na siebie gigantyczną odpowiedzialność. Zgadza się na pożyczenie pieniędzy, licząc, że w określonym czasie otrzyma tę samą kwotę z odsetkami. Jest wystawiony nie tylko na ryzyko bankructwa kredytobiorcy, ale również na ryzyko zmiany stopy procentowej czy zawirowań w gospodarce. Zwłaszcza teraz – w czasie kryzysu pandemicznego – musi konsekwentnie optymalizować działalność wobec kolejnych restrykcji wprowadzanych przez rządzących.
Bank musi odpowiednio poznać swojego klienta (procedury Know Your Customer), aby wiedzieć, jaki kapitał zabezpieczyć na poczet kredytu. Kiedy wniosków o pieniądze są tysiące, a pożyczek w portfelu miliony, sytuacja robi się bardzo skomplikowana. Dlatego nieodłącznym elementem bankowości są modele oceny ryzyka, które wspomagają proces podejmowania decyzji. Dzięki nim decyzja o udzieleniu pożyczki jest oderwana od jednostkowej oceny konsultanta.
Modele są obiektywne i spójne, więc niezależnie od wyglądu czy charyzmy wnioskodawcy, zawsze dadzą ten sam wynik. Nie podejmują irracjonalnych decyzji i nie ulegają pułapkom myślenia. Automatyzują i standaryzują proces, dzięki czemu można go później odtworzyć, np. na prośbę legislatorów albo samego wnioskodawcy. Jeśli bowiem bank odmówi nam udzielenia kredytu, to powinien móc udzielić precyzyjnej odpowiedzi nakreślającej powody takiej decyzji.
Jak tworzy się model oceny ryzyka?
Przygotowanie dobrego modelu to proces długotrwały, a jego życie rozpoczyna się dopiero w momencie rzeczywistego wykorzystania go. Model jest stale weryfikowany i ulepszany, aby jak najlepiej służył bankowi. Ale jak zbudować go od zera?
„Zaczyna się od zebrania wymagań biznesowych. Następnie jednostka modelarzy w porozumieniu z biznesem przygotowuje niezbędne informacje (w tym dane historyczne) i specyfikację (założenia) modelu. Po odpowiedniej obróbce zebranych danych przechodzimy do budowy zasadniczego modelu. Końcowym etapem jest odpowiednia walidacja (weryfikacja poprawności) modelu. Po jego zatwierdzeniu przez decydentów wdrażamy model na produkcję, popierając to testami z użytkownikami. Później cały czas go testujemy, aby upewnić się, że działa efektywnie i dokonujemy ewentualnych poprawek. I tak cykl się zamyka”
– wyjaśnia Łukasz Światowski, który w ING Tech Poland zarządza działem tworzącym modele.
Wdrożony model spełnia trzy podstawowe warunki:
- opiera się na dobrych danych,
- wykorzystuje słuszne założenia,
- poprawnie opisuje rzeczywistość.
Zwłaszcza krytyczny jest ten pierwszy element - zgodnie ze zwrotem GIGO (garbage in, garbage out - śmieci na wejściu – śmieci na wyjściu). Dane trafiają najpierw do data lake’ów – ogromnych baz danych, które następnie dzielone są na data marty – mniejsze bazy do konkretnych zastosowań. W tych znajdziemy już tradycyjne tabele, które wykorzystywane są przez analityków i programistów do budowy modeli. Celem jest uspójnienie atrybutów i metryk, tak aby były porównywalne pomiędzy różnymi systemami dużych organizacji.
Zespoły mają już zaś dowolność w wykorzystaniu różnych języków programowania. ING Tech Poland skupia się m.in. na 4GL SAS, Pythonie czy R.
„Historycznie bazowaliśmy na SAS-ie, ale obecnie otwieramy platformę na open source np. R i Python. Budujemy też środowisko zapewniające konteneryzację, czyli praktycznie zintegrowane z dowolną technologią. Każda z nich będzie miała dostęp do tych samych danych na uniwersalnej platformie”
– tłumaczy Łukasz Światowski.
Technologia to dopiero wstęp do metod, wykorzystywanych przy budowie modeli, takich jak machine learning czy data science. Dlatego dobre zrozumienie matematyki czy statystyki jest kluczową cechą twórców modeli. I choć brzmi to skomplikowanie, to modele nie są tzw. czarną skrzynką, do której wrzucamy nieustrukturyzowane dane i na końcu dostajemy zielone lub czerwone światło. Bank porusza się na wielopłaszczyznowym rynku: pomiędzy klientami, bankiem centralnym, instrumentami finansowymi i regulatorami. Nie może sobie pozwolić na oddanie steru nieznanemu algorytmowi. Każdą jego decyzję można więc wytłumaczyć i zracjonalizować. Bez takich modeli funkcjonowanie współczesnego świata byłoby zaś praktycznie niemożliwe. Musimy automatyzować podejmowanie decyzji. Na sprawności tego procesu oparta jest bowiem gospodarka.
Współpraca merytoryczna: Aneta Ptak-Chmielewska, Chapter Lead w ING Tech Poland.
*Artykuł powstał we współpracy z marką ING Tech Poland.
